CN113487591A - 一种基于ct的整条脊柱的分割方法、系统 - Google Patents

一种基于ct的整条脊柱的分割方法、系统 Download PDF

Info

Publication number
CN113487591A
CN113487591A CN202110831278.3A CN202110831278A CN113487591A CN 113487591 A CN113487591 A CN 113487591A CN 202110831278 A CN202110831278 A CN 202110831278A CN 113487591 A CN113487591 A CN 113487591A
Authority
CN
China
Prior art keywords
spine
segmentation
image
slice
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110831278.3A
Other languages
English (en)
Inventor
肖建如
孟子尧
盛斌
吕天予
矫健
周振华
马科威
刘铁龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaao Information Technology Development Co ltd
Original Assignee
Shanghai Jiaao Information Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaao Information Technology Development Co ltd filed Critical Shanghai Jiaao Information Technology Development Co ltd
Priority to CN202110831278.3A priority Critical patent/CN113487591A/zh
Publication of CN113487591A publication Critical patent/CN113487591A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于CT的整条脊柱的分割方法，包括如下步骤：步骤1：获取3D脊柱图像，对3D脊柱进行脊柱和背景分割，得到脊柱部分3D图像；步骤2：对脊柱部分3D图像进行基于切片U‑net的脊柱分割。本发明提供的一种基于CT的整条脊柱的分割方法、系统提出使用切片U‑net用于脊柱CT分割与脊柱识别，缓解数据集不足的问题，降低模型复杂度。

Description

一种基于CT的整条脊柱的分割方法、系统
技术领域
本发明涉及整条脊柱分割的技术领域，具体地，涉及一种基于CT的整条脊柱的分割方法、系统。
背景技术
脊柱也被称为脊椎，是形成人体上部中心负重轴的骨骼结构。脊柱图像有着多种医学影像学模式，其中X光片、CT、MRI和PET等多种图像被用于评估脊柱解剖和诊断脊柱病理。其中，CT是当代使用最广泛的扫描技术，是评估椎骨的三维形态的空间上最精确的方式。脊柱分割是大多数后续脊柱图像分析和建模任务的基本步骤。
针对上述中的相关技术，发明人认为存在有数据集不足而导致增加模型的复杂度的问题，因此，需要提出一种技术方案以改善上述技术问题。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于CT的整条脊柱的分割方法、系统。
根据本发明提供的一种基于CT的整条脊柱的分割方法，包括如下步骤：
步骤1：获取3D脊柱图像，对3D脊柱进行脊柱和背景分割，得到脊柱部分3D图像；
步骤2：对脊柱部分3D图像进行基于切片U-net的脊柱分割。
优选地，所述步骤1包括：
步骤1.1：设置灰度化阈值，使用SLIC算法在横向面切片上进行脊柱的分类；
步骤1.2：使用Felzenszwalb算法在矢状面切片上进行实验。
优选地，所述步骤1.1绘制训练集中脊柱图像的灰度直方图，将阈值设置为77-140；将分割大小限制在400*260*260的立方体中，并舍弃CT扫描的左侧部分；使用腐蚀膨胀操作，进行脊柱分割效果的评估。
优选地，所述步骤1.2使用灰度化阈值方法去判断分割区域是否属于脊柱；设置阈值为72和150。
优选地，所述步骤2包括：
步骤2.1：对3D脊柱图像进行切片；
步骤2.2：使用分割网络对3D脊柱图像切片进行处理；
步骤2.3：使用融合模块将分割网络中的结果融合。
优选地，所述步骤2.1对训练集中的3D脊柱图像从横状面、冠状面、矢状面三个方向进行切片；得到横向面切片、冠状面切片、矢状面切片三组2D切片图像。
优选地，所述步骤2.2中的分割网络由三个独立的2D U-net网络组成，分别对应处理横向面切片、冠状面切片、矢状面切片；每个2D U-net都由4个下采样、4个上采样模块、1个最底层模块和跳层连接模块组成；下采样模块包括两个3*3卷积操作、ReLU线性整流函数、一个2*2最大池化操作；上采样模块包括一个2*2反卷积操作、两个3*3卷积操作、ReLU线性整流函数、操作；最底层模块包括2个3*3卷积操作；跳层连接模块连接相对应的下采样和上采用模块。
优选地，所述步骤2.3中的融合模块将分割网络中三个通道的结果融合成一个最终的结果；包括均值融合、投票和回归。
优选地，所述均值融合对步骤2.2中得到的横向面切片、冠状面切片、矢状面切片的结果进行评分，分别用Sa,Ss,Sc表示；
所述投票法用于在图像二值化后的分割结果；
所述回归法包括线性回归和逻辑回归,对于三个通道的回归看作在分割网络的输出层额外增加一个1*1的卷积层。
本发明还提供一种基于CT的整条脊柱的分割系统，包括如下模块：
模块M1：获取3D脊柱图像，对3D脊柱进行脊柱和背景分割，得到脊柱部分3D图像；
模块M2：对脊柱部分3D图像进行基于切片U-net的脊柱分割。
与现有技术相比，本发明具有如下的有益效果：
1.提出使用切片U-net用于脊柱CT分割与脊柱识别，缓解数据集不足的问题，降低模型复杂度；
2.通过采用将3D脊柱图像切片成2D的灰度图像，从而达成在3D数据较少的情况下，可有效的增加数据量，可使模型更加鲁棒；
3.通过采用多视角学习的理论，对根据不同轴切片得到的灰度图像用不同的网络处理，然后将结果结合起来，从而达成在2D的条件下尽可能地利用3D结构，可提升模型的表现。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的流程图；
图2为本发明的3D脊柱切片示意图；
图3为本发明切片U-net网络结构图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供一种基于CT的整条脊柱的分割方法，参照图1，包括如下步骤：
步骤1：使用传统方法进行脊柱分割。
步骤1.1：针对像素点的灰度二值化。
绘制训练集中脊柱图像的灰度直方图，将阈值设置为77-140。由于脊柱空间位置受限，我们将分割大小限制在400*260*260的立方体中，并舍弃CT扫描的左侧部分。我们使用腐蚀膨胀操作，进行脊柱分割效果的评估。
步骤1.2：基于传统分割方法的灰度二值化。
我们比较了两种经典的分割方法：Felzenszwalb算法和SLIC算法，发现这两种算法都有过分割的倾向。我们仍使用灰度化阈值方法去判断分割区域是否属于脊柱。设置阈值为72和150，考虑到上述两种算法都是基于2D图像设计的，我们从图像的横向面切片和矢状面切片去评估上述两种算法的优缺点。我们发现SLIC算法在横向面切片上表现更好，而Felzenszwalb算法在矢状面切片上表现更好。
这启发了我们融合这两种算法的优势。首先设置灰度化阈值，使用任意一种算法在横向面切片上进行脊柱的分类。其次，使用任意一种算法在矢状面切片上进行实验，对于横向面切片预测为脊柱的分割区域，如果它满足阈值的要求，并且超过90％的像素，我们标记这个区域为脊柱；如果低于50％的像素，我们标记这个区域为背景区域。
这种融合的算法比单独的两个算法的效果好很多，并且可以帮助我们对具有3D结构信息的图像进行分割。
步骤2：参照图2和图3，基于切片U-net的脊柱分割。
由于3D模型复杂度较高，我们提出一个两阶段的模型：切片U-net。首先将3D脊柱图像进行切片，得到横向面切片、冠状面切片、矢状面切片的图像。将它们输入到分割网络中，得到2D的分割和分类的中间结果。再将中间结果输入到融合模块，得到最终的3D脊柱的分割和识别结果。
步骤2.1：3D脊柱图像切片。
对训练集中的3D脊柱图像从横状面、冠状面、矢状面三个方向进行切片。得到横向面切片、冠状面切片、矢状面切片三组2D切片图像。
步骤2.2：分割网络。
分割网络由三个独立的2D U-net网络组成，他们分别对应处理横向面切片、冠状面切片、矢状面切片。
每个2D U-net都由4个下采样、4个上采样模块、1个最底层模块和跳层连接模块组成。下采样模块包括两个3*3卷积操作、ReLU线性整流函数、一个2*2最大池化操作。上采样模块包括一个2*2反卷积操作、两个3*3卷积操作、ReLU线性整流函数、操作。最底层模块包括2个3*3卷积操作。跳层连接模块连接相对应的下采样和上采用模块。
步骤2.3：融合模块。
融合模块将分割网络中三个通道的结果融合成一个最终的结果。我们尝试了多种融合方案：均值融合、投票和回归。
均值融合：对步骤2.2中得到的横向面切片、冠状面切片、矢状面切片的结果进行评分，分别用Sa,Ss,Sc表示它们。
均值融合的得分为：Smean＝(Sa+Ss+Sc)/3.如果在分类结果上使用均值融合,则其得分为:Smean＝(Ss+Sc)/2。
最终结果为:Omean＝argmaXj{Smean,j}。
投票法:投票法是用于在图像二值化后的分割结果。引入超参数t,可描述为:
Figure BDA0003175531330000041
回归法:它包括线性回归和逻辑回归,对于三个通道的回归可以看作在分割网络的输出层额外增加一个1*1的卷积层,唯一区别的是这个卷积层适合主网络分开训练的,因此可以减少所需的时间和资源。
本发明提供的一种基于CT的整条脊柱的分割方法、系统提出使用切片U-net用于脊柱CT分割与脊柱识别，缓解数据集不足的问题，降低模型复杂度；通过采用将3D脊柱图像切片成2D的灰度图像，从而达成在3D数据较少的情况下，可有效的增加数据量，可使模型更加鲁棒；通过采用多视角学习的理论，对根据不同轴切片得到的灰度图像用不同的网络处理，然后将结果结合起来，从而达成在2D的条件下尽可能地利用3D结构，可提升模型的表现。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于CT的整条脊柱的分割方法，其特征在于，包括如下步骤：
步骤1：获取3D脊柱图像，对3D脊柱进行脊柱和背景分割，得到脊柱部分3D图像；
步骤2：对脊柱部分3D图像进行基于切片U-net的脊柱分割。
2.根据权利要求1所述的一种基于CT的整条脊柱的分割方法，其特征在于，所述步骤1包括：
步骤1.1：设置灰度化阈值，使用SLIC算法在横向面切片上进行脊柱的分类；
步骤1.2：使用Felzenszwalb算法在矢状面切片上进行实验。
3.根据权利要求2所述的一种基于CT的整条脊柱的分割方法，其特征在于，所述步骤1.1绘制训练集中脊柱图像的灰度直方图，将阈值设置为77-140；将分割大小限制在400*260*260的立方体中，并舍弃CT扫描的左侧部分；使用腐蚀膨胀操作，进行脊柱分割效果的评估。
4.根据权利要求2所述的一种基于CT的整条脊柱的分割方法，其特征在于，所述步骤1.2使用灰度化阈值方法去判断分割区域是否属于脊柱；设置阈值为72和150。
5.根据权利要求1所述的一种基于CT的整条脊柱的分割方法，其特征在于，所述步骤2包括：
步骤2.1：对3D脊柱图像进行切片；
步骤2.2：使用分割网络对3D脊柱图像切片进行处理；
步骤2.3：使用融合模块将分割网络中的结果融合。
6.根据权利要求5所述的一种基于CT的整条脊柱的分割方法，其特征在于，所述步骤2.1对训练集中的3D脊柱图像从横状面、冠状面、矢状面三个方向进行切片；得到横向面切片、冠状面切片、矢状面切片三组2D切片图像。
7.根据权利要求5所述的一种基于CT的整条脊柱的分割方法，其特征在于，所述步骤2.2中的分割网络由三个独立的2D U-net网络组成，分别对应处理横向面切片、冠状面切片、矢状面切片；每个2D U-net都由4个下采样、4个上采样模块、1个最底层模块和跳层连接模块组成；下采样模块包括两个3*3卷积操作、ReLU线性整流函数、一个2*2最大池化操作；上采样模块包括一个2*2反卷积操作、两个3*3卷积操作、ReLU线性整流函数、操作；最底层模块包括2个3*3卷积操作；跳层连接模块连接相对应的下采样和上采用模块。
8.根据权利要求5所述的一种基于CT的整条脊柱的分割方法，其特征在于，所述步骤2.3中的融合模块将分割网络中三个通道的结果融合成一个最终的结果；包括均值融合、投票和回归。
9.根据权利要求8所述的一种基于CT的整条脊柱的分割方法，其特征在于，
所述均值融合对步骤2.2中得到的横向面切片、冠状面切片、矢状面切片的结果进行评分，分别用Sa,Ss,Sc表示；
所述投票法用于在图像二值化后的分割结果；
所述回归法包括线性回归和逻辑回归,对于三个通道的回归看作在分割网络的输出层额外增加一个1*1的卷积层。
10.一种基于CT的整条脊柱的分割系统，其特征在于，包括如下模块：
模块M1：获取3D脊柱图像，对3D脊柱进行脊柱和背景分割，得到脊柱部分3D图像；
模块M2：对脊柱部分3D图像进行基于切片U-net的脊柱分割。
CN202110831278.3A 2021-07-22 2021-07-22 一种基于ct的整条脊柱的分割方法、系统 Pending CN113487591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110831278.3A CN113487591A (zh) 2021-07-22 2021-07-22 一种基于ct的整条脊柱的分割方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110831278.3A CN113487591A (zh) 2021-07-22 2021-07-22 一种基于ct的整条脊柱的分割方法、系统

Publications (1)

Publication Number Publication Date
CN113487591A true CN113487591A (zh) 2021-10-08

Family

ID=77942064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110831278.3A Pending CN113487591A (zh) 2021-07-22 2021-07-22 一种基于ct的整条脊柱的分割方法、系统

Country Status (1)

Country Link
CN (1) CN113487591A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600609A (zh) * 2016-11-30 2017-04-26 上海联影医疗科技有限公司 一种医学图像中脊柱的分割方法及系统
CN110852991A (zh) * 2019-10-10 2020-02-28 浙江大学 一种基于3d结合2d的脊椎骨检测方法
CN111047605A (zh) * 2019-12-05 2020-04-21 西北大学 一种脊椎ct分割网络模型的构建方法及分割方法
CN111696126A (zh) * 2020-05-18 2020-09-22 东南大学 一种基于多视角的多任务肝脏肿瘤图像分割方法
US20200373013A1 (en) * 2019-05-22 2020-11-26 Theseus AI, Inc. Method And System For Analysis Of Spine Anatomy And Spine Disease
KR20210020618A (ko) * 2019-08-16 2021-02-24 서울여자대학교 산학협력단 의료 영상에서 딥러닝에 기반한 복부 장기 자동분할 방법
CN112634211A (zh) * 2020-12-14 2021-04-09 上海健康医学院 基于多个神经网络的mri图像分割方法、装置及设备
CN112700448A (zh) * 2021-03-24 2021-04-23 成都成电金盘健康数据技术有限公司 一种脊椎图像分割与识别方法
CN112862830A (zh) * 2021-01-28 2021-05-28 陕西师范大学 一种多模态图像分割方法、系统、终端及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600609A (zh) * 2016-11-30 2017-04-26 上海联影医疗科技有限公司 一种医学图像中脊柱的分割方法及系统
US20200373013A1 (en) * 2019-05-22 2020-11-26 Theseus AI, Inc. Method And System For Analysis Of Spine Anatomy And Spine Disease
KR20210020618A (ko) * 2019-08-16 2021-02-24 서울여자대학교 산학협력단 의료 영상에서 딥러닝에 기반한 복부 장기 자동분할 방법
CN110852991A (zh) * 2019-10-10 2020-02-28 浙江大学 一种基于3d结合2d的脊椎骨检测方法
CN111047605A (zh) * 2019-12-05 2020-04-21 西北大学 一种脊椎ct分割网络模型的构建方法及分割方法
CN111696126A (zh) * 2020-05-18 2020-09-22 东南大学 一种基于多视角的多任务肝脏肿瘤图像分割方法
CN112634211A (zh) * 2020-12-14 2021-04-09 上海健康医学院 基于多个神经网络的mri图像分割方法、装置及设备
CN112862830A (zh) * 2021-01-28 2021-05-28 陕西师范大学 一种多模态图像分割方法、系统、终端及可读存储介质
CN112700448A (zh) * 2021-03-24 2021-04-23 成都成电金盘健康数据技术有限公司 一种脊椎图像分割与识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ALICE FANTAZZINI, MARIO ESPOSITO, ALICE FINOTELLO, FERDINANDO AURICCHIO, BIANCA PANE, CURZIO BASSO, GIOVANNI SPINELLA & MICHELE CO: "3D Automatic Segmentation of Aortic Computed Tomography Angiography Combining Multi-View 2D Convolutional Neural Networks", CARDIOVASCULAR ENGINEERING AND TECHNOLOGY *
JIN BAE等: "Fully automated 3D segmentation and separation of multiple cervical vertebrae in CT images using a 2D convolutional neural network", COMPUTER METHODS AND PROGRAMS IN BIOMEDICIN *
余鸿波: "基于改进U-Net网络的椎骨CT图像分割方法研究", 中国优秀硕士学位论文全文数据库 (医药卫生科技辑) *
姚沛延;赵宏安;周明全;郝定均;: "基于CT图像的脊椎骨组织分割", 计算机工程与应用, no. 27 *
林家庆: "基于多视角多任务学习的医学CT图像分割研究", 中国优秀硕士学位论文全文数据库 (医药卫生科技辑) *

Similar Documents

Publication Publication Date Title
Lessmann et al. Iterative fully convolutional neural networks for automatic vertebra segmentation and identification
Liao et al. Joint vertebrae identification and localization in spinal CT images by combining short-and long-range contextual information
CN112488234B (zh) 一种基于注意力池化的端到端组织病理图像分类方法
CN110705555B (zh) 基于fcn的腹部多器官核磁共振图像分割方法、系统及介质
CN110310287B (zh) 基于神经网络的危及器官自动勾画方法、设备和存储介质
CN112184657A (zh) 一种肺结节自动检测方法、装置及计算机系统
US20230005140A1 (en) Automated detection of tumors based on image processing
Sert et al. Ensemble of convolutional neural networks for classification of breast microcalcification from mammograms
US20100266175A1 (en) Image and data segmentation
Hattikatti Texture based interstitial lung disease detection using convolutional neural network
CN105760874A (zh) 面向尘肺的ct图像处理系统及其ct图像处理方法
CN112669254A (zh) 基于全身骨扫描影像的深度学习摄护腺癌骨转移辨识系统
CN111681230A (zh) 脑白质高信号评分系统及其评分方法
CN113164145A (zh) 图像处理装置、图像处理系统、图像处理方法和程序
CN114283165A (zh) 肺结节的智能影像处理系统
Tang et al. Automatic lumbar spinal CT image segmentation with a dual densely connected U-Net
Krawczyk et al. Segmentation of bone structures with the use of deep learning techniques
Elmenabawy et al. Deep segmentation of the liver and the hepatic tumors from abdomen tomography images
Kekre et al. Detection of tumor in MRI using vector quantization segmentation
Parag et al. Anisotropic EM segmentation by 3D affinity learning and agglomeration
CN111667469A (zh) 肺部疾病分类方法、装置及设备
Adollah et al. Bone marrow image segmentation based on multilevel thresholding
CN113487591A (zh) 一种基于ct的整条脊柱的分割方法、系统
CN114066850A (zh) 一种基于分类框架的图像二值化方法
Wang et al. A machine learning approach to extract spinal column centerline from three-dimensional CT data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination